回归预测分析(RANSAC、多项式回归、残差图、随机森林)

在本篇文章中,主要是介绍利用波士顿房价数据来掌握回归预测分析的一些方法。通过本篇文章你可以学习到:

1、可视化数据集的重要特征
2、估计回归模型的系数
3、使用RANSAC拟合高鲁棒性回归模型
4、如何来评价回归模型
5、多项式回归
6、决策树回归
7、随机森林回归

数据集下载地址:https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data

数据特征说明:https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.names


掌握数据的基本情况
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#设置seaborn的风格
sns.set(style="whitegr
  • 17
    点赞
  • 75
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 12
    评论
要使用Python进行RANSAC多项式曲线拟合,可以按照以下步骤进行操作: 1. 导入所需的库: ```python import numpy as np from sklearn.linear_model import RANSACRegressor from sklearn.preprocessing import PolynomialFeatures ``` 2. 准备数据: 准备输入的自变量和因变量数据,例如: ```python x = np.array([1, 2, 3, 4, 5, 6, 7]) y = np.array([3, 5, 7, 9, 11, 13, 15]) ``` 3. 创建多项式特征对象: 使用`PolynomialFeatures`创建多项式特征对象,指定要拟合的多项式的次数。例如,如果要拟合二次曲线,则设置`degree=2`。 ```python poly_features = PolynomialFeatures(degree=2) ``` 4. 生成多项式特征矩阵: 使用多项式特征对象对输入的自变量数据进行转换,生成多项式特征矩阵。 ```python X = poly_features.fit_transform(x.reshape(-1, 1)) ``` 5. 创建RANSACRegressor对象: 使用`RANSACRegressor`创建一个RANSAC回归器对象,并指定线性回归模型作为基础模型。 ```python ransac = RANSACRegressor(base_estimator=LinearRegression()) ``` 6. 拟合数据: 使用RANSAC回归器对多项式特征矩阵和因变量数据进行拟合。 ```python ransac.fit(X, y) ``` 7. 获取拟合结果: 获取RANSAC回归器的拟合结果,包括拟合的多项式系数和内点索引。 ```python inlier_mask = ransac.inlier_mask_ outlier_mask = np.logical_not(inlier_mask) inlier_coefficients = ransac.estimator_.coef_ intercept = ransac.estimator_.intercept_ ``` 8. 预测: 使用拟合得到的多项式模型对新的自变量数据进行预测。 ```python new_x = np.array([8, 9, 10]) new_X = poly_features.transform(new_x.reshape(-1, 1)) predictions = ransac.predict(new_X) ``` 这样就完成了使用Python进行RANSAC多项式曲线拟合的过程。请注意,你可以根据需要调整多项式的次数和其他参数来获得更好的拟合效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

修炼之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值